一种改进的快速二维经验模态分解方法

文档序号:8943749阅读:608来源:国知局
一种改进的快速二维经验模态分解方法
【技术领域】
[0001] 本发明是一种改进的快速二维经验模态分解方法,属于数字图像处理领域中的新 型时频分析方法。
【背景技术】
[0002] 随着计算机技术的不断发展及其在各个应用领域中的不断扩展,数字图像处理技 术也得到了迅猛的发展。经验模态分解算法(EMD)是一种适用于分析非线性/非平稳信号 的新型时频分析方法,该方法被认为是对以线性和平稳假设为基础的傅里叶分析与小波变 换等传统时频分析方法的重大突破,它是基于自身的时间尺度特征,完全由数据驱动,可自 适应的通过"筛"过程将复杂的信号分解为有限个固态模式函数(IMF)及一个残差趋势项 之和。图像可看做一个二维信号,二维经验模态分解算法(BEMD)是EMD在二维信号处理上 的推广,近些年来成为图像处理领域中的研究热点。
[0003] 传统的二维经验模态分解算法,在筛分的过程中,首先需要求取局部极值点,然后 通过局部极值求取上/下包络,接着求取均值包络,最后判断均值包络是否满足筛分停止 准则。常见的二维经验模态分解算法,在寻找局部极值后都是通过一组径向基函数(Radial Basis Function,简称RBF)来获取包络,但是这种方法需要使用插值法来近似获取包络,因 此,极大的增加了算法的计算时间。此外,使用该方法获取包络的时间大约占了整个筛分过 程中的75%,不能满足计算需求的实时性。因此,有必要对该算法进行改进,使其能更加高 效的生成二维固态模函数(B頂F),且具有更好的可用性,能够满足实际应用中的实时性。

【发明内容】

[0004] 本发明目的在于,当二维经验模态分解算法应用与图像处理中时,提高算法计算 效率使其满足实际应用中的实时性;克服现有方法中存在包络生成速度慢、边界污染等缺 点,提出了一种改进的快速二维经验模态分解方法。
[0005] 为了实现上述目的,本发明采取如下技术方案:
[0006] -、确定将要进行筛分的数据。进行筛分的数据为标准的试验图像;如Lena图像, cameraman图像,Elaine图像等。设待处理的原始图像为f (m, η)(其中m为图像的行坐标, η图像列坐标),令i = 1,那么将要进行筛分的数据为r。(X,y) = f (m,η)(其中X为图像的 行坐标,y图像列坐标)。
[0007] 二、检测数据r; i (X,y)的局部极值点。检测数据!Ti i (X,y)中,X和y分别 为待检测数据的行坐标和列坐标;极值点的检测包括对数据中局部极大值点检测与 局部极小值点的检测。对于上述检测数据A 1(Xj)采用2-D模式进行表示,那么
,其中am表示r i i中m行η列的像素,采用邻域法来检测极值点(一 般采用3X3的窗口),将检测到的局部极大值点存入2-D数组MXM中,将检测到的局部 极小值点存入2-D数组MINMA中。那么令Γι i中任意一点为a xy (x,y),与axy相邻的像素为
,如果 axy> a uv,则 axye MAXMA ;如果 a xy< a uv, 则axye MINMA ;如果以上条件均不满足,那么该点不属于局部极值点。
[0008] 三、为了使算法不需要人工干预而自适应完成,因此使用上述得到的MAXMA和 MINMA来确定均值滤波器窗口的大小w。使用I 1范数下的赋范线性空间曼哈顿距离来计算 MAXMA = Q1, q2, q3,…,qn, )τ中各元素之间的距离Distansemaxma,其中qn表示第η个极大值 点,η为正整数;然后使用相同的方法计算MINMA = (Pl,p2, p3,. . .,ρη,)τ,中各元素之间的距 离DiStanseminma,其中ρ η表示第η个极小值点,η为正整数;
[0009] Distansenaxna (q1; q) = Iq^qjI (I)
[0010] Distanseminma(PoPj) = |ρ「ρ」(2)
[0011] 其中 U 11 < i < η},{j 11 < j < η},i 乒 j。接着将Distansemaxma以及Distanseminma 存入数组dmax_n和JmmJ中;最后通过计算
[0012] (I1 = min {min {d max ll}, min {dmin ll}} (3)
[0013] d2= max {max {d max-n},max {dmin-n}} (4)
[0014] 得到候选的两个滤波器窗口的大小w,且将(I1Cl2分别定义为Type-1和Type-2。
[0015] 四、将检测完局部极值的2-D数据
.,作为即将进行筛分的对 象
[0016] h; (x, y) = r; ! (5)
[0017] 五、使用均值滤波器从Ii1Uy)中获取均值包络m_n(x,y)。均值滤波器实际上是 一个卷积的过程,因此使用基于奇异值分解的快速卷积算法来提高滤波器的计算效率。于 任意矩阵M中使用到的mXn的掩摸Θ,首先使用基于奇异值的分解得到结果
[0018]
(6)
[0019] 其中U为一个单位矩阵,Σ为一个对角矩阵,Vi为单位矩阵V的共辄矩阵,然后通 过对角矩阵Σ得到掩摸Θ的秩班,最终将得到卷积之后的结果
[0020]
C7)
[0021] 其中U(i,:)表示矩阵U的第i行,V(:,i)表示矩阵V的第i列,*表示在进行卷 积操作。最终获得均值包络m_ n(x,y) =R。
[0022] 六、在获取均值包络之后,计算新的信号h/ (x,y)。
[0023] h;' (x, y) = h; (x, y) -mmean (x, y) (8)
[0024] 七、计算生成的新信号是否满足筛分停止准则SD,若SD小于给定的阈值ξ (例如 0. 05),则有V (X,y)是第i层BIMF ;否贝>1,令Iii (X,y) = V (X,y),跳转到第五步;
[0025]
(9)
[0026] 八、判断残差余量:^匕y) = !Ti Jx,γ)_ν (x, y)是否为单调函数,如果是,则整个 分解过程结束;如果不是,则令i = i+Ι且跳转到第二步。
[0027] 与现有的二维经验模态分解方法相比,本发明具有如下优点:本方法应用一个基 于快速卷积的均值滤波器来获取均值包络,相较于传统二维经验模态分解方法中基于RBF 获取均值包络,极大的减少了时间复杂度,在得到相似实验结果情况下的提高了算法的计 算速率,且应用曼哈顿距离来计算均值滤波器的窗口大小,使得整个算法不需要人工干预 而自适应完成。
【附图说明】
[0028] 图1本发明的快速二维经验模态分解流程图;
[0029] 图2本发明分解实例所用到的256X256 Lena图像;
[0030] 图3本发明分解实例所用到的256X256 Elaina图像;
[0031] 图4对一维数据检测极值点结果;
[0032] 图5对二维数据(图2)检测局部极值点结果;其中(a)表示局部极大值点检测结 果,(b)表示局部极小值点检测结果;
[0033] 图6对图2分别使用快速卷积与传统卷积的效果对比;(a)使用27X27窗口的传 统2-D卷积;(b)使用57 X 57窗口的传统2-D卷积;(c)使用27 X 27窗口的快速2-D卷积; (d)使用57 X 57窗口的快速2-D卷积。
[0034] 图7对图2分别使用快速卷积与传统卷积的时间对比;
[0035] 图8对图3进行分解之后的分析结果;
[0036] 图9对图3进行分解之后的输出结果。
【具体实施方式】
[0037] 下面结合附图和【具体实施方式】对本发明的技术方案作进一步详细的说明。
[0038] 步骤一:首先,确定将要进行筛分的数据。一般进行筛分的数据为标准的试验图 像,如Lena图像,cameraman图像,Elaine图像等等。
[0039] 步骤二:其次,检测数据Γι Jiy)的局部极值点。极值点的检测包括对数据中局 部极大值点检测与局部极小值点的检测。对于2-D数据
,采用邻域法来 检测极值点(一般采用3 X 3的窗口),将检测到的局部极大值点存入2-D数组MXM中,将 检测
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1